AEO-expert förklarar varför trafiken rasar när du tiodubblar innehållet – och vad du ska göra åt det

Brendan Hufford är en tidigare SEO-chef som byggde en konsultverksamhet inom innehållsmarknadsföring och AEO för B2B SaaS kallad Growth Sprints, där han hjälper organisationer att skala från $10M till $100M.

Vi pratade med Brendan för att lära oss hur man får LLM:er att hänvisa till ens innehåll. Han gav oss arbetsflödet.

Att förstå AI i realtid

Jag heter Brendan Hufford och är grundare av Growth Sprints, en konsultverksamhet inom innehållsmarknadsföring och SEO/AEO för B2B SaaS, där jag hjälper organisationer att skala från $10M till $100M med innehållssystem som vinner i sökresultat, nyhetsbrev och på LinkedIn.

Min väg hit var inte linjär. Jag började som psykologilärare på gymnasiet, gick över till SEO och innehållsmarknadsföring för ungefär ett decennium sedan och tillbringade flera år med att lära mig hantverket på byråer och interna team innan jag började arbeta självständigt.

Övergången till AI inom marknadsföring har varit den mest intressanta perioden i min karriär hittills. Mycket av det jag byggde min verksamhet på — traditionell SEO där rankning och trafik var målet — började förändras snabbt. Kundernas innehåll dök upp i svar från ChatGPT och Perplexity utan att driva ett enda klick tillbaka. CMO:er behövde försvara investeringar i innehåll under QBR:er och saknade ofta bra svar.

Övergången till AI inom marknadsföring har varit den mest intressanta perioden i min karriär hittills.

Därför byggde jag om metoden kring det jag nu kallar innehålls-IP och upptäcktsloopar — ramverk utformade för en värld där innehåll behöver förtjäna både AI-hänvisningar och konverteringar från människor.

Jag håller fortfarande ärligt talat på att förstå mycket av detta i realtid, tillsammans med mina kunder. Men det är en del av det som gör den här perioden så intressant.

Så mäter du synlighet i AI

Jag byggde om vårt sätt att mäta innehållets synlighet. I flera år utgick vi från rankningsspårning och organisk trafik. Det är fortfarande användbart, men det ger inte längre hela bilden. Köpare genomför nu en stor del av sin research i AI-verktyg, och Google Search Console visar inget av detta.

Därför skapar jag numera ett kalkylblad för spårning av AEO-prompter för varje kunduppdrag. Vi identifierar 60 till 150 prompter med köpintention som en verklig potentiell kund skulle skriva in i ChatGPT, Perplexity, Claude eller Gemini. Sedan följer vi upp om kunden får hänvisningar, vilka konkurrenter AI:n hänvisar till i stället och vilka källor AI:n hämtar information från. Vi kör om detta med jämna mellanrum och följer utvecklingen över tid.

För varje kunduppdrag skapar jag numera ett kalkylblad för spårning av AEO-prompter.

Resultaten förändrade flera saker på ett betydelsefullt sätt:

1. Det gav mina kunder ett mätbart svar på en fråga som deras vd:ar och styrelser började ställa: "Syns vi i AI?" Innan dess gissade de flesta marknadsföringsteam.
2. Det förändrade vad vi skapar. När du ser att AI-verktyg hämtar mer information från G2-recensioner, Reddit-trådar och analytikerrapporter än från din blogg förändras dina innehållsprioriteringar snabbt. Vi började investera mer i förtjänade omnämnanden, egen forskning och innehålls-IP som AI hänvisar till, i stället för att bara publicera fler SEO-inlägg i hopp om att rankas.

Jag har faktiskt sett organisationer förbättra sina AI-hänvisningar från 8% till 40% och öka antalet leads i säljtratten sexfaldigt på ett kvartal.

Så implementerar du ett AEO-arbetsflöde

Här är uppdelningen steg för steg:

Steg 1: Hitta prompter. Jag börjar med säljteamet och deras inspelningar av säljsamtal. Jag samlar in varje fråga potentiella kunder ställer, varje invändning och varje tillfälle då någon säger "Jag tittade just på..." eller "Jag frågade ChatGPT om...". Sedan kompletterar jag detta med supportärenden, anteckningar från kundframgångsteamet samt trådar på Reddit och G2. Målet är 60 till 150 prompter med köpintention som en människa skulle skriva in i ett AI-verktyg.

Steg 2: AI-assisterad utvidgning av prompter. Jag tar den här startlistan och använder Claude för att utvidga den. Olika formuleringar, olika stadier i köpresan och olika målgrupper som ställer samma underliggande fråga. AI är användbart här eftersom arbetet handlar om mönsterigenkänning, inte originellt tänkande. Jag skapar ett strukturerat kalkylblad med prompter kategoriserade efter köpfas, målgrupp och avsikt.

Steg 3: Manuell testning av hänvisningar. Jag kör varje prompt genom ChatGPT, Perplexity, Claude och Gemini. Jag noterar om organisationen får en hänvisning, vilka konkurrenter som hänvisas till i stället och vilka källor AI:n hämtar information från (G2, Reddit, kundens blogg, analytikerrapporter, poddar och så vidare). Den här delen är fortfarande ibland manuell eftersom verktyg för automatisering ännu inte är tillräckligt tillförlitliga. Jag använder AI för att märka upp och kategorisera resultaten, men en människa måste läsa svaren.

Steg 4: Mönsteranalys. Jag använder Claude för att analysera hela datasetet och identifiera mönster. Var vinner organisationen? Var förlorar den? Vilka källor litar AI-verktygen mest på i den här kategorin? Vilka konkurrenter dyker upp om och om igen, och varför? AI visar sitt värde här eftersom det är ett arbete som ingen människa vill göra för hand att sammanfatta 600 AI-svar till teman.

Steg 5: Strategisk tolkning. Den här delen är helt mänsklig. Jag går igenom data, pratar med teamet och fattar beslut om vad vi ska göra. Förlorar vi för att vi saknar innehåll om ett ämne, eller för att vårt innehåll inte är strukturerat för att människor ska läsa det eller för att AI ska kunna hämta information från det? Behöver vi investera i omnämnanden vi har förtjänat i de källor som AI hänvisar till? Behöver vi beställa originalforskning för att ge AI något egenägt att hänvisa till? Det är på det här mötet vi utvecklar strategin, och AI är inte med i rummet.

Steg 6: Innehållsproduktion med AI i loopen. När vi vet vad vi ska skapa använder jag AI för att sammanställa research, ta fram första utkast, skapa strukturella dispositioner och omformatera. Det mänskliga arbetet handlar om vinkeln, rösten, perspektivet och den redigering som krävs för att det ska låta som om en verklig person har skrivit det. AI står för kanske 40 % av tidsinvesteringen. De återstående 60 % som är mänskliga gör arbetet värt att publicera.

Steg 7: Ny mätning enligt en fast rytm. Var 30:e till 60:e dag kör jag om uppsättningen med frågor och jämför den med baslinjen. Vi följer citeringsfrekvens, källmix och konkurrenternas synlighet över tid. Det förvandlar arbetsflödet till ett verkligt system i stället för en engångsgranskning.

Det hela ersätter det som tidigare var ett vagt samtal om "AI-sökning" med en mätbar och repeterbar process.

Varför AI stöder komprimering och syntes, men inte övertygelse eller smak

AI vävs nu in i nästan alla delar av mitt arbete, men dess roll varierar kraftigt beroende på uppgift.

Jag förlitar mig i hög grad på AI för att sammanställa research, ta fram första utkast till långformatinnehåll, analysera konkurrenter, analysera transkriptioner från sälj- och kundsamtal, skapa innehållsbriefar och utföra mycket av det sammanbindande arbete som tidigare tog timmar. Det hanterar också målgruppssegmentering, utvinning av kundrösten samt identifiering av teman i supportärenden och Gong-samtal.

Jag förlitar mig i hög grad på AI för att sammanställa research, ta fram första utkast till långformatinnehåll, analysera konkurrenter, analysera transkriptioner från sälj- och kundsamtal, skapa innehållsbriefar och utföra mycket av det sammanbindande arbete som tidigare tog timmar.

Och nu utför det även produktionsarbete, som att omvandla en forskningsrapport till ett utkast till nyhetsbrev, skapa bibliotek med frågor eller skriva om text i varumärkets röst efter att jag har dokumenterat den ordentligt.

Uppgifter som uttryckligen är mänskliga omfattar strategi, perspektiv och skapande av innehålls-IP: ramverken jag bygger, namnen vi ger centrala problem, vinklarna vi använder i vårt tankeledarskap samt bedömningarna av vad vi ska publicera och vad vi ska lägga ner. AI presterar dåligt på detta eftersom värdet ligger i övertygelsen bakom valet. Ett ramverk fungerar bara om ett verkligt marknadsperspektiv informerar det. AI dras mot genomsnittet, vilket är precis det vi försöker undvika.

Relationer är också helt mänskliga: upptäcktssamtalen, workshopparna och de tillfällen då jag säger emot en CMO som är på väg att fatta ett dåligt beslut. Jag delegerar inget av detta.

Den princip jag återkommer till är att AI är bäst på komprimering och syntes, medan människor fortfarande är bättre på övertygelse och smak. Därför använder jag AI för att snabbare nå en utgångspunkt och lägger sedan min tid på de delar som kräver omdöme.

Var AI missar målet i innehållsproduktionen

AI:s största misslyckande är idéarbetet för innehåll. Jag förväntade mig att AI skulle samarbeta med mig för att ta fram skarpa vinklar för inlägg och kampanjer. Så är det inte. Resultatet är kompetent, generiskt och lite för välpolerat. De bra idéerna kommer fortfarande från säljsamtal, supportärenden, märkliga konferenssamtal och baksidan av mitt anteckningsblock.

AI hjälper till att utveckla en idé när jag väl har en, men det är inte en användbar källa till originellt tänkande.

Det andra området där AI missar är varumärkesrösten. Även med grundlig dokumentation av rösten behöver AI-genererat innehåll i en kunds röst genomgå en omfattande mänsklig bearbetning för att låta som kunden. Det fångar ytans mönster men missar rytmen. Själen. Jag trodde att detta skulle vara löst till 80 % vid det här laget. Det är närmare 40 %.

Det tredje området där AI missar är verkligt strategiskt omdöme. Positionering, förfining av ICP, prissättning och marknadsinträde. AI ger mig en välorganiserad version av det jag redan vet, plus några förslag som låter smarta men faller samman när de stresstestas. Strategi kräver fortfarande en människa som har suttit med i rummet.

Strategi kräver fortfarande en människa som har suttit med i rummet.

Det fjärde området där AI missar är att förutsäga AEO-citeringar. Vi kan följa vad som citeras och baklänges analysera mönster, men att förutsäga vad som kommer att citeras är fortfarande till stor del en gissningslek.

Och den mest överraskande missen: Kanske är jag dålig på det, men AI har inte gjort mig snabbare på själva skrivandet. Det har gjort mig snabbare på allt runt omkring skrivandet. Själva skrivandet tar ungefär lika lång tid, eftersom ribban fortfarande är hög och det tar ungefär lika lång tid, eller längre, att få AI-resultatet upp till den nivån som att skriva det själv.

Varför innehållsvolym har blivit en risk

Jag byggde en stor del av min tidiga karriär på volym. Publicera mer, ranka för fler sökningar, få mer trafik, vinn. Det fungerade länge, och många marknadsföringsstrategier (inklusive min) utgick tyst från att produktionskapaciteten var begränsningen. Om du kunde publicera dubbelt så mycket skulle du växa dubbelt så snabbt.

AI slog sönder det antagandet i två riktningar samtidigt.

1. AI gjorde volym billigt. Alla kan publicera tio gånger mer nu. Det innebär att volym i sig inte längre är en konkurrensfördel. Marknadsförare som jagar den är på väg rakt ut över kanten på ett stup.
2. AI förändrade vad som belönas. Både Google och LLM:er hämtar information från en mindre, mer betrodd uppsättning källor. De vill ha substans, originalitet och ett verkligt perspektiv. Volym utan dessa saker är inte bara neutral, utan aktivt skadlig. Jag har sett team rasera sin organiska synlighet genom att skala upp produktionen av AI-innehåll, och jag har sett mindre team med skarpare perspektiv bli citerade överallt.

Så det är den stora risken jag ser just nu: kapplöpningen att publicera AI-genererat innehåll i stor skala.

Det försämrar den organiska synligheten, blir flaggat av Googles uppdateringar av hjälpsamt innehåll och leder till noll AI-citeringar eftersom det inte finns något originellt tänkande som AI-verktyg kan hänvisa till.

Det är den stora risken jag ser just nu: kapplöpningen att publicera AI-genererat innehåll i stor skala.

Volym utan substans presterar sämre än någonsin, och AI har gjort det gapet mer synligt, inte mindre.

Varför vinnande innehåll kräver innehålls-IP

Om du vill skapa vinnande innehåll ska du bygga innehålls-IP. Det innebär att namnge ramverk för målgruppens kärnproblem. Intervjua era 3S-team (försäljning, kundframgång och support) varje månad. Skicka alla samtal till Slack och ta fram veckovisa sammanfattningar som är relevanta för marknadsföringen.

Och välj en strid. Det mesta B2B-innehållet bygger på konsensus. Det håller med om vad varje analytiker, konkurrent och opinionsledare säger. Effektfulla texter pekar ut något som andra har fel om och erbjuder ett tydligt alternativ.

Du behöver inte vara elak. Men du måste vara beredd att ha fel offentligt.

Hur arbetsflöden för innehållsproduktion bör göras om med AI

När det gäller innehållsproduktion använder de flesta team fortfarande ett arbetsflöde som är byggt för 2018: skapa brief, skriv utkast, redigera, publicera, distribuera. Teamen lade till AI i utkaststeget och kallade det transformation. Det var det inte.

Den nya utformningen innehåller tre viktiga lager:

1. Brieflagret är en strukturerad indata (inte ett Google-dokument). Det innehåller köparens fråga som texten ska vinna på, vilket innehålls-IP den stöder, perspektivet samt källmaterial från transkriberingar och interna experter. AI sammanställer det. En människa godkänner vinkeln innan utkastet börjar skrivas.
2. Utkastlagret använder AI i stor utsträckning, men med tydlig rollfördelning. AI sköter syntes, strukturellt utkast och omformatering. En människa ansvarar för vinkeln, rösten och redigeringsomgången. Människan är författaren genom hela processen, inte en granskare i slutet.
3. De flesta team fokuserar fortfarande på stavfel och varumärkesriktlinjer i kvalitetssäkringslagret. Vi har lagt till uttryckliga kontroller av läsbarhet, följsamhet till varumärkesrösten och huruvida texten intar en unik position inom sin kategori. Om den inte gör det stoppar vi den innan den publiceras. Andelen stoppade texter är hög, men det är avsiktligt.

Resultatet är färre publicerade texter, högre kvalitet i varje text och en mätbar ökning av både AEO-citeringar och pipeline.

Att bara lägga till AI i ett arbetsflöde från 2018 ger dig bara resultaten från en innehållsspamkanon från 2018 snabbare.

Vad CMO:er måste göra för att hålla jämna steg med AI-transformationen

Om du är CMO och vi tar en kaffe tillsammans är det här rådet jag skulle dela med mig av:

1. Sluta jaga AI-verktyg och börja granska innehållets substans. De team som förlorar just nu gör det eftersom deras innehåll inte har något särskiljande som AI-verktyg, Google eller köpare kan hänvisa till. Om du inte har ett verkligt perspektiv kommer inget verktyg att skapa ett åt dig. Sluta jaga den "perfekta" AI-stacken.
2. Ta innehålls-IP på allvar. Namngivna problem, namngivna ramverk, egen forskning och originella perspektiv på din kategori. AI citerar detta, det rankas i sökningar, vinner på LinkedIn, ger prenumeranter på nyhetsbrev och följer med in i säljsamtal. AI kan inte heller återskapa den här delen av marknadsföringen, vilket gör den mer värdefull, inte mindre.
3. Mät det som betyder något nu. Lägg till spårning av AEO-synlighet i din rapportering. Följ LinkedIns påverkan på säljtratten. Ta reda på sambandet mellan antalet prenumeranter på nyhetsbrevet och avslutsfrekvensen eller försäljningshastigheten. Ta reda på vilka köparfrågor du dyker upp för i ChatGPT, Perplexity och Claude, och vilka konkurrenter AI citerar i stället. Om du inte kan svara på den frågan vid nästa QBR kommer du snart att få den.
4. Använd AI där det fungerar bra och sluta tvinga fram användning där det inte gör det. AI är bra på syntes, efterforskning, transkriptanalys, utkast och omformatering. Skicka varje säljsamtal genom Claude och vidare till Slack så att teamet kan se det dagligen, bara några minuter efter att det har ägt rum. AI är dåligt på originella idéer, varumärkesröst och strategiskt omdöme. Bygg ditt arbetsflöde kring den skillnaden i stället för att försöka AI-anpassa allt.
5. Publicera mindre och se till att varje del väger tyngre. Volymspelet är över (även om alla leverantörer av AI-programvara för innehåll kommer att hävda motsatsen). De vinnande teamen publicerar färre och skarpare delar och får ut mer av varje del genom återanvändning, distribution och förtjänade omnämnanden.
6. Och slutligen: var ärlig mot ditt team och din vd om vad som förändras. Många marknadschefer hoppas i tysthet att det här ska gå över. Det kommer det inte att göra. Köpare har redan förändrat hur de gör efterforskningar. Den heliga treenigheten är upptäckt (Google/LLM:er), sociala medier (LinkedIn, YouTube) och relationsskapande innehåll (nyhetsbrev/podd).

Följ med

Du kan följa Brendan Huffords arbete på LinkedIn. Och besöka Growth Sprints.

Fler expertintervjuer kommer på The CMO Club!